本申请涉及智能交通
技术领域：
，尤其涉及一种基于轨迹预测的轨迹跟踪方法、介质和车载设备。
背景技术：
：车路协同是指采用先进的无线通信和新一代互联网等技术，全方位实施车车、车路动态实时信息交互，并在全时空动态交通信息采集与融合的基础上开展车辆主动安全控制和道路协同管理，充分实现人车路的有效协同，保证交通安全，提高通行效率，从而形成的安全、高效和环保的道路交通技术。而随着车辆驾驶自动化的发展，车辆的轨迹跟踪控制技术成为实现辅助驾驶和自动驾驶的重要技术。目前，车辆实现路径跟踪控制需要两类信息：参考路径信息和车辆实时定位信息。通常车辆完成了路径规划之后，就可以获取到理想的参考路径信息序列；而车辆的实时定位信息则可以通过基于路侧设备的高精度定位技术获取到。但是，在基于路侧设备的车辆高精度定位技术实现过程中，由于通信丢包、交通环境中的障碍物遮挡等现象的存在，车辆在某段时间区间内可能无法接收到其定位信息，进而，由于车辆无法获取到其定位信息，那么，就会大大影响车辆的轨迹跟踪效果，使得轨迹跟踪控制的精确度较低。技术实现要素：有鉴于此，本申请实施例提供一种基于轨迹预测的轨迹跟踪方法、介质和车载设备，能够在需要获取车辆的定位信息时，精确预测出车辆的定位信息，从而，能够提高轨迹跟踪控制的精确度。本申请实施例主要提供如下技术方案：第一方面，本申请实施例提供了一种基于轨迹预测的轨迹跟踪方法，应用于车辆，所述方法包括：当需要获取所述车辆在采样时刻tp 1的定位信息时，获取n个历史定位信息和参考路径信息序列，其中，所述n个历史定位信息为所述车辆在采样时刻tp 1之前的n个采样时刻的定位信息，所述参考路径信息序列为待跟踪的预定轨迹上的轨迹点的坐标序列，n为大于1的正整数，p 1为大于n的正整数；基于所述n个历史定位信息和参考路径信息序列，预测所述车辆在采样时刻tp 1的定位信息。第二方面，本申请实施例提供了一种计算机可读存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在车载设备执行上述的基于轨迹预测的轨迹跟踪方法的步骤。第三方面，本申请实施例提供了一种车载设备，所述车载设备包括：至少一个处理器；以及与所述处理器连接的至少一个存储器、总线；其中，所述处理器、存储器通过所述总线完成相互间的通信；所述处理器用于调用所述存储器中的程序指令，以执行上述的基于轨迹预测的轨迹跟踪方法的步骤。本申请实施例提供的基于轨迹预测的轨迹跟踪方法、介质和车载设备，当需要获取车辆在采样时刻tp 1的定位信息时，获取n个历史定位信息和参考路径信息序列，其中，n个历史定位信息为车辆在采样时刻tp 1之前的n个采样时刻的定位信息，参考路径信息序列为待跟踪的预定轨迹上的轨迹点的坐标序列，n为大于1的正整数，p 1为大于n的正整数；基于n个历史定位信息和参考路径信息序列，预测车辆在采样时刻tp 1的定位信息。如此，将该方法应用到自动驾驶汽车等智能交通场景中时，就能够在需要获取车辆的定位信息时，如车辆的定位信息丢失时，精确预测出车辆的定位信息，从而，能够提高轨迹跟踪控制的精确度。而且，在实现成本上更为低廉，还便于进行推广和普及。本申请的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请而了解。本申请的其他优点可通过在说明书以及附图中所描述的方案来实现和获得。附图说明附图用来提供对本申请技术方案的理解，并且构成说明书的一部分，与本申请的实施例一起用于解释本申请的技术方案，并不构成对本申请技术方案的限制。图1为本申请实施例中的基于轨迹预测的轨迹跟踪方法的流程示意图；图2为本申请实施例中的选取历史定位信息的示意图；图3为本申请实施例中的车辆运动的示意图；图4为本申请实施例中的选取参考路径信息的示意图；图5a为本申请实施例中的车辆轨迹跟踪的误差的示意图一；图5b为本申请实施例中的车辆轨迹跟踪的误差的示意图二；图5c为本申请实施例中的车辆轨迹跟踪的示意图；图5d为本申请实施例中的车辆轨迹跟踪的误差的示意图三；图6为本申请实施例中的车载设备的结构示意图。具体实施方式下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。本申请实施例提供一种车路协同系统。该系统可以包括：路侧设备和车辆。在实际应用中，路侧设备可以包括：v2x(vehicletoeverything，车用无线通信)路侧单元。车辆可以装载有车载设备，其中，车载设备可以包括：v2x车载单元和处理器。作为示例，v2x路侧单元，可用于向该路侧设备所管理的预设区域内的各个车辆上的v2x车载单元发送车辆在各个采样时刻的定位信息，还可以向车辆上的v2x车载单元发送参考路径信息序列，以便车辆基于该参考路径信息序列和自身的定位信息来实现轨迹跟踪控制，进而实现辅助驾驶和自动驾驶。这里，参考路径信息序列为待跟踪的预定轨迹上的轨迹点的坐标序列，即利用路径点的坐标序列所描述的待跟踪的预定轨迹的信息；车辆的定位信息可以包括：车辆位置的坐标值。在实际应用中，v2x路侧单元可以支持各种格式的车路通讯协议，如dsrc(dedicatedshortrangecommunication，专用短程通信)、lte-v(longtermevolution-vehicle，长期演进技术-车辆通信)、5g(5thgenerationmobilenetworks，第五代移动通信)技术、蜂窝网络等，用于向其所在的路侧设备所管理的预设区域内的车辆发送车辆的定位信息。作为示例，v2x车载单元，用于在车辆位于路侧设备所管理的预设区域时，接收路侧设备所发送的定位信息。这里，v2x技术是车路协同的基础性技术，是智能交通运输系统的关键技术，通过将车辆与行人、道路基础设施，如路侧设备等的互联，使得车与车、车与路侧设备、路侧设备与路侧设备之间能够通信，使得车辆具有更强的感知能力，从而获得实时路况、道路信息、行人信息等一系列交通信息，实现与交通环境相结合的高精度定位、车辆实时动态运行信息交互以及协同控制、协同安全等功能，能够提高驾驶安全性、减少拥堵、提高交通效率、提供车载娱乐信息等。结合上述车路协同系统，本申请实施例提供一种基于轨迹预测的轨迹跟踪方法。可应用于车辆中。在实际应用中，该基于轨迹预测的轨迹跟踪方法可应用于自动驾驶领域、辅助驾驶领域等领域中需要获取车辆的定位信息场景中，如由于通信丢包、交通环境中的障碍物遮挡等现象的存在，车辆在某段时间区间内可能无法获取到其定位信息。图1为本申请实施例中的基于轨迹预测的轨迹跟踪方法的流程示意图，参见图1所示，该基于轨迹预测的轨迹跟踪方法可以包括：步骤101：当需要获取车辆在采样时刻tp 1的定位信息时，获取n个历史定位信息和参考路径信息序列；其中，n个历史定位信息为车辆在采样时刻tp 1之前的n个采样时刻的定位信息，参考路径信息序列为待跟踪的预定轨迹上的轨迹点的坐标序列，n为大于1的正整数，p 1为大于n的正整数；这里，定位信息可以包括：车辆位置的坐标值。步骤102：基于n个历史定位信息和参考路径信息序列，预测车辆在采样时刻tp 1的定位信息。作为示例，当车辆在轨迹跟踪的过程中，由于通信丢包、交通环境中的障碍物遮挡等现象的存在，车辆从采样时刻tp 1开始出现定位信息丢失现象，即在采样时刻tp 1之前车辆与路侧设备正常通信，车辆正常接收到其实时的定位信息，但是，从采样时刻tp 1开始车辆在一段时间内未接收到路侧设备发送的车辆的定位信息时，那么，为了获取该车辆在采样时刻tp 1的定位信息，在具体实施过程中，该车辆就可以获取车辆在采样时刻tp 1之前的n个采样时刻的历史定位信息，并获取路侧设备之前发送的参考路径信息序列，然后，根据该n个历史定位信息和该参考路径信息序列相结合，精确地预测出车辆在采样时刻tp 1的定位信息。这样，在需要获取车辆的定位信息时，通过历史定位信息和参考路径信息来预测出的车辆的定位信息，就能够确保轨迹跟踪控制的精确度。在本申请另一实施例中，当从采样时刻tp 1开始车辆在一段时间内未接收到路侧设备发送的车辆的定位信息时，那么，在获取到车辆在采样时刻tp 1的定位信息之后，为了获取到车辆在采样时刻tp 2的定位信息，在具体实施过程中，在上述步骤102之后，上述方法还可以包括：当需要车辆在采样时刻tp 2的定位信息时，基于车辆在采样时刻tp 1的定位信息，对n个历史定位信息进行更新，得到更新后的n个历史定位信息，其中，更新后的n个历史定位信息中的第n个历史定位信息为车辆在采样时刻tp 1的定位信息，更新后的n个历史定位信息中的前n-1个历史定位信息为n个历史定位信息中的后n-1个历史定位信息；基于更新后的n个历史定位信息和参考路径信息序列，预测车辆在采样时刻tp 2的定位信息。在实际应用中，当从采样时刻tp 1开始一段距离出现连续定位信息丢失时，就需要获取从采样时刻tp 1开始一段距离内的连续定位信息，那么，就可以采取滚动优化的策略来获取从采样时刻tp 1开始一段距离内的连续定位信息。作为示例，在预测出车辆在采样时刻tp 1的定位信息之后，当需要获取车辆在采样时刻tp 2的定位信息，如车辆在采样时刻tp 2的定位信息也丢失时，车辆可以获取n个历史定位信息中的后n-1个历史定位信息，其中，该n个历史定位信息为所述车辆在采样时刻tp 1之前的n个采样时刻的定位信息，然后，将后n-1个历史定位信息和所预测出的车辆在采样时刻tp 1的定位信息相结合，即将该后n-1个历史定位信息作为更新后的n个历史定位信息中的前n-1个历史定位信息，并将所预测出的车辆在采样时刻tp 1的定位信息作为更新后的n个历史定位信息中的第n个历史定位信息，这样，就可以得到更新后的n个历史定位信息，其中，更新后的n个历史定位信息中的第n个历史定位信息为车辆在采样时刻tp 1的定位信息，更新后的n个历史定位信息中的前n-1个历史定位信息为n个历史定位信息中的后n-1个历史定位信息。最后，车辆就可以基于更新后的n个历史定位信息和参考路径信息序列，预测出车辆在采样时刻tp 2的定位信息。以此类推，在预测出车辆在采样时刻tp 2的定位信息之后，当需要获取车辆在采样时刻tp 3的定位信息，如车辆在采样时刻tp 3的定位信息也丢失时，可以通过车辆在采样时刻tp 2的定位信息对更新后的n个历史定位信息重新进行更新来预测出车辆在采样时刻tp 3的定位信息，直到车辆重新与路侧设备建立连接，车辆能够与路侧设备进行正常通信，使得车辆能够正常接收到路侧设备发送的车辆的高精度的定位信息为止。下面结合具体实例对如何预测车辆在采样时刻tp 1的定位信息进行详细介绍。在本申请实施例中，上述步骤102可以包括以下步骤1021～步骤1023：步骤1021：基于n个历史定位信息，确定车辆在采样时刻tp的速度方向变化量对应的第一速度方向变化量δθp；其中，车辆在采样时刻tp的速度方向变化量是指车辆在采样时刻tp的速度方向相对于车辆在采样时刻tp-1的速度方向的角度变化量。步骤1022：基于参考路径信息序列，确定车辆在采样时刻tp的速度方向变化量对应的第二速度方向变化量δθ′p；步骤1023：基于第一速度方向变化量δθp和第二速度方向变化量δθ′p，预测车辆在采样时刻tp 1的定位信息。首先，对如何基于n个历史定位信息，预测车辆在采样时刻tp的速度方向变化量对应的第一速度方向变化量δθp进行介绍。在具体实施过程中，上述步骤1021可以包括以下步骤1021a～步骤1021b：步骤1021a：基于n个历史定位信息，通过曲线拟合方法构建用于预测车辆的速度方向变化量的预测模型；步骤1021b：使用预测模型，确定出第一速度方向变化量δθp。作为示例，上述步骤1021a可以包括：基于n个历史定位信息中两两相邻的历史定位信息，计算出n-1个车辆的速度矢量；基于n-1个速度矢量中两两相邻的速度矢量，计算出n-2个车辆的速度方向变化量；基于n-2个车辆的速度方向变化量及其对应的n-2个采样时刻，通过曲线拟合方法构建出预测模型。举例来说，参见图2所示，假设车辆从采样时刻tp 1开始出现定位信息丢失现象，即车载定位接收器，如v2x车载单元没有收到路侧设备发送的新的定位信息。此时，车辆就可以选取在采样时刻tp 1之前的n个采样时刻的历史定位信息，依次为x1,x2,...,xn。根据n个采样时刻的历史定位信息中任意相邻两个采样时刻的历史定位信息计算出前一个时刻的车辆的速度矢量，例如，通过使用车辆在采样时刻tp的定位信息xp(xp,yp)与车辆在前一个采样时刻tp-1的定位信息xp-1(xp-1,yp-1)，就可以计算得到车辆在采样时刻tp-1的速度矢量，用表示。同理，车辆在采样时刻tp的速度矢量可以使用同样方法得到。这里，1＜p＜n。也就是说，计算车辆在采样时刻tp-1的速度矢量需要依据两个信息：车辆在采样时刻tp的定位信息xp(xp,yp)以及车辆在前一个采样时刻tp-1的定位信息xp-1(xp-1,yp-1)。因此，车辆基于n个历史定位信息中两两相邻的历史定位信息，可以计算出n-1个车辆的速度矢量。本申请发明人发现车辆在一段时间内速度方向的变化较小，据此，本申请发明人创造性地提出使用历史采样时刻的速度方向变化量分析当前和将来一段时间内车辆的速度方向变化情况，进而用于车辆轨迹预测过程。参见图3所示，以车辆的定位信息所包含的坐标点为原点，建立车辆自身坐标系，其中，速度方向为车辆自身坐标系的y轴，与速度方向垂直的方向为车辆自身坐标系的x轴。那么，上述基于n-1个速度矢量中两两相邻的速度矢量，计算出n-2个车辆的速度方向变化量的步骤，可以包括：根据以下公式(1)计算获得车辆的速度方向变化量：在公式(1)中，δθi表示车辆在采样时刻ti的速度方向变化量，车辆在采样时刻ti的速度方向变化量是指车辆在采样时刻ti的速度方向相对于车辆在采样时刻ti-1的速度方向的角度变化量，i＝1,2,...,n；arccos(·)表示反余弦；表示车辆在采样时刻ti的速度矢量；表示车辆在采样时刻ti-1的速度矢量，|·|表示速度矢量的大小。举例来说，下一个采样时刻tp的定位信息xp(xp,yp)的速度方向相对于采样时刻tp-1的定位信息xp-1(xp-1,yp-1)的速度方向的变化量δθp，在采样点xp-1(xp-1,yp-1)的坐标系中，可以表示为如下公式(2)。在公式(2)中，δθp表示车辆在采样时刻tp的速度方向变化量，车辆在采样时刻tp的速度方向变化量是指车辆在采样时刻tp的速度方向相对于车辆在采样时刻tp-1的速度方向的角度变化量；arccos(·)表示反余弦；表示车辆在采样时刻tp的速度矢量；表示车辆在采样时刻tp-1的速度矢量，|·|表示速度矢量的大小。因此，车辆基于n-1个速度矢量中两两相邻的速度矢量，就可以计算出n-2个车辆的速度方向变化量，即采样时刻tp 1之前的n个采样时刻的历史定位信息所对应的n-2个车辆的速度方向变化量分别为δθ2,δθ3,...,δθn-1。接下来，为了得到用于预测车辆的速度方向变化量的预测模型，车辆可以对前n个采样时刻车辆速度方向变化情况进行拟合，以便预测车辆在采样时刻tp的速度方向变化量，进而得到采样时刻tp 1的车辆速度方向。下面以曲线拟合方法由多项式最小二乘法来实现为例，对得到预测模型的曲线拟合过程进行详细介绍。拟合过程如下：第一步，以历史采样时刻的计数点i，i＝1,2,...,n为坐标横轴，以车辆在对应采样时刻的速度方向变化量，即车辆在对应采样时刻的速度方向相对于上一时刻的速度方向的变化量δθ为坐标纵轴。第二步，假设速度方向角度变化量δθ的拟合曲线与计数点i满足如公式(3)所示的多项式，则所需的预测模型可以通过公式(3)获得：在公式(3)中，i表示采样时刻ti，i＝1,2,...,n，δθ表示车辆的速度方向变化量，a0,a1,a2,...,ak表示预测模型的参数，k为大于1的正整数。第三步，根据最小二乘法，公式(3)所示的多项式的偏差平方和可以如公式(4)所示：在公式(4)中，δm表示偏差，∑表示求和。第四步，对公式(3)中所示的预测模型的参数ai求偏导，就可以得到如公式(5)所示的等式：第五步，将公式(5)中所示的等式进行化简，可以得到如公式(6)所示的等式：第六步，将第五步化简的结果转化为矩阵形式，可以得到如下公式(7)：这里，公式(7)为范德蒙德矩阵。第七步，基于n-2个车辆的速度方向变化量及其对应的n-2个采样时刻，通过曲线拟合方法构建出预测模型的步骤，可以包括：将n-2个车辆的速度方向变化量及其对应的n-2个采样时刻代入公式(7)，则可以求出相对精确的预测模型的参数a0,a1,a2,...,ak。这样，通过拟合前n个时刻车辆速度方向的变化趋势，就获得了所需的用于预测车辆的速度方向变化量的预测模型。综上，车辆通过基于前n个历史定位信息所得到的n-2个车辆的速度方向的变化趋势进行曲线拟合，就可以得到车辆速度方向变化拟合曲线，即预测模型。进而，由于该预测模型中的参数已经计算出来了，那么，使用该预测模型就可以计算得到采样时刻δθn，即当车辆在采样时刻tp 1的定位信息丢失时，通过预测模型可以得到车辆在采样时刻tp的第一速度方向变化量δθp。其次，对如何基于参考路径信息序列，预测车辆在采样时刻tp的速度方向变化量对应的第二速度方向变化量δθ′p进行介绍。在具体实施过程中，上述步骤1022可以包括以下步骤1022a～步骤1022e：步骤1022a：获取车辆在采样时刻tp的历史定位信息xp；步骤1022b：从参考路径信息序列中，获取距离历史定位信息xp最近的参考路径信息x′p及其对应的上一个采样时刻tp-1的参考路径信息x′p-1；步骤1022c：获取车辆在采样时刻tp的真实速度矢量步骤1022d：基于历史定位信息xp和真实速度矢量从参考路径信息序列中，确定出车辆在下一个采样时刻tp 1的理想定位信息x′p q；步骤1022e：基于参考路径信息x′p-1、参考路径信息x′p和理想定位信息x′p q，计算出第二速度方向变化量δθ′p。这里，距离历史定位信息xp最近的参考路径信息是指参考路径信息序列中与车辆在采样时刻tp的历史定位信息xp距离最近的参考路径信息。在实际应用中，可以先计算出历史定位信息xp与参考路径信息序列中各个参考路径信息之间的距离，然后，将所计算出的各个距离中最小的距离所对应的参考路径信息确定为距离历史定位信息xp最近的参考路径信息。在具体实施过程中，上述步骤1022e可以包括：基于参考路径信息x′p-1和参考路径信息x′p，计算出车辆在采样时刻tp的速度方向对应的角度值θ′p；基于参考路径信息x′p和理想定位信息x′p q，计算出车辆在采样时刻tp 1的速度方向对应的理想角度值θ′p q；基于理想角度值θ′p q与角度值θ′p，根据以下公式(8)计算获得第二速度方向变化量δθ′p：δθ′p＝θ′p q-θ′p公式(8)。举例来说，参见图4所示，假设车辆在采样时刻tp 1处定位信息丢失，即车辆在采样时刻tp时的定位信息完好。其中，xp点是车辆行驶在采样时刻tp时的真实定位点，x′p是参考路径上在采样时刻最接近真实定位点xp的参考路径点。然后，再从参考路径信息序列中选择出x′p的上一个参考路径点x′p-1，从而，可以估算出车辆在参考路径信息x′p的速度矢量以及速度方向对应的角度值θ′p。接下来，以采样时刻tp时最近的参考路径信息x′p为圆心，以一个采样时间间隔内车辆行驶的距离v·δt为半径做圆弧，该圆弧与参考轨迹的相交点即为下一时刻车辆的理想定位点x′p q，也是最接近真实轨迹上车辆行驶到下一时刻定位点xp q的参考轨迹点，此时，车辆的速度为车辆的速度方向对应的理想角度值为θ′p q。因此，在理想情况下，车辆在采样时刻tp的速度方向变化量对应的第二速度方向变化量δθ′p可以通过上述公式(8)计算得到。然后，对如何基于第一速度方向变化量δθp和第二速度方向变化量δθ′p，预测车辆在采样时刻tp 1的定位信息进行介绍。在具体实施过程中，上述步骤1023可以包括以下步骤1023a～步骤1023d：步骤1023a：获取第一速度方向变化量δθp对应的第一权重值n和第二速度方向变化量δθ′p对应的第二权重值m，其中，n、m为小于1的小数；步骤1023b：基于第一速度方向变化量δθp及其对应的第一权重值n和第二速度方向变化量δθ′p及其对应的第二权重值m，通过以下公式(9)计算获得车辆在采样时刻tp的最终速度方向变化量步骤1023c：获取车辆在采样时刻tp的历史定位信息xp；步骤1023d：基于最终速度方向变化量和历史定位信息xp，确定车辆在采样时刻tp 1的定位信息。在实际应用中，在计算车辆在采样时刻tp 1的定位信息之前，要先计算出车辆在跟踪轨迹的过程中在采样时刻tp 1的航向角θp 1。正常情况下，我们可通过基于路侧设备的定位技术获取车辆的实时航向角信息，但在无法与路侧设备建立正常通信的情况下，所需要的采样时刻tp 1的航向角θp 1可由采样时刻tp的初始航向角θp通过叠加采样时刻tp的速度方向变化量得到。那么，车辆在采样时刻tp 1的航向角θp 1就可以由公式(10)所示的递推方程来计算得到。进一步地，根据公式(11)，可以计算出车辆在采样时刻tp 1的定位信息。在公式(11)中，xp 1为车辆在采样时刻tp 1的定位信息包括的横坐标；yp 1车辆在采样时刻tp 1的定位信息包括的纵坐标；xp为车辆在采样时刻tp的定位信息包括的横坐标；yp车辆在采样时刻tp的定位信息包括的纵坐标；δt为采样时间间隔；v为车辆在采样时刻tp的速度矢量的大小，θp为车辆在采样时刻tp的速度矢量的方向角，即车辆在采样时刻tp的初始航向角，为预测出的车辆在采样时刻tp的最终速度方向变化量。这里，车辆在采样时刻tp的最终速度方向变化量是指车辆在采样时刻tp的速度方向相对于车辆在采样时刻tp-1的速度方向的角度变化量对应的最终速度方向变化量。在实际应用中，可以由车辆通过车载传感器等车载设备来获取车辆在采样时刻tp的真实速度大小，然后，将车辆在采样时刻tp的真实速度大小作为公式(11)中车辆在采样时刻tp的速度矢量的大小v。最后，对如何获取第一速度方向变化量δθp对应的第一权重值n和第二速度方向变化量δθ′p对应的第二权重值m进行介绍。在实际应用中，参见图5a～图5b所示，本申请发明人发现：基于历史定位信息预测定位的方法，在跟踪曲率较小的预定路径时具有更高的定位精度；而基于参考路径信息预测定位的方法，在跟踪大曲率的预定轨迹时具有更高的定位精度。因此，为了获得更为精确的定位精度，在跟踪曲率较小的参考路径时，可以选择较大的第一权重值n；而在跟踪曲率较小的参考路径时，可以选择较大的第二权重值m。在实际应用中，首先，本申请发明人设置：仿真自动驾驶车辆在跟踪参考路径点经过曲率半径为20米的转弯路径，定位丢失的距离为40米左右，对比只使用历史定位信息预测轨迹的情况和只使用预测轨迹的情况，可得到如图5a所示的仿真结果。由图5a可见，在横向距离为140米到180米定位信息丢失时，基于参考路径信息预测定位，可以将预测定位与真实车辆定位误差控制在0.5米左右，明显优于基于历史定位信息预测定位，同时当定位信息恢复后可以较快恢复正常的定位。因此，与基于历史定位信息预测定位的方法相比，自动驾驶车辆基于参考路径信息预测定位在跟踪大曲率轨迹的情况下具有更高的定位精度。其次，本申请发明人设置：选取历史定位信息为200个，道路长度为60米左右。对比只使用历史定位信息预测轨迹的情况和只使用预测轨迹的情况，可得到如图5b所示的仿真结果。由图5b可见，自动驾驶车辆在基于参考路径信息预测定位在跟踪小曲率轨迹的效果弱于使用历史定位信息预测定位跟踪轨迹的效果，基于历史信息的预测算法在跟踪曲率较小的参考路径时预测得到的定位信息更接近真实的定位。因此，本申请发明人创造性提出，将历史定位信息和参考路径信息结合来预测定位，并通过检测曲率来初步判断定位信息丢失的路段曲率大小，以便根据定位信息丢失的路段曲率大小来动态确定合适的权重值。那么，在本申请实施例中，上述步骤1023a可以包括：计算n个历史定位信息各自对应的曲率；计算参考路径信息序列对应的曲率集；基于车辆在采样时刻tp的历史定位信息xp，从曲率集中确定出目标曲率；根据目标曲率，从n个历史定位信息中选择出m个目标历史定位信息，其中，m为大于或者等于5的正整数；基于m个目标历史定位信息，计算出第一权重值n和第二权重值m。作为示例，为了提高轨迹跟踪的精确度，可以根据曲率来设置合适的权重值。具体来说，可以使用离散点曲率计算方法，分别计算出n个历史定位信息各自对应的曲率，并分别计算出各个参考路径信息对应的曲率，得到参考路径信息序列所对应的曲率集。接下来，可以根据车辆在采样时刻tp的历史定位信息xp从参考路径信息序列包含的各个参考路径信息中，确定出距离历史定位信息xp最近的参考路径信息x′p，然后将曲率集中与该最近的参考路径信息x′p所对应的曲率确定为所需的待检测的目标曲率。接下来，就可以将目标曲率与临界曲率进行比较，然后根据比较结果，从n个历史定位信息中选择出m个目标历史定位信息。最后，就可以基于m个目标历史定位信息，计算出第一权重值n和第二权重值m。举例来说，假设弯道和直路曲率判断的临界曲率为1/r0，其中，r0为临界半径，那么，确定第一权重值n和第二权重值m的方法可以存在但不限于包括以下两种情况：情况一：当需检测的参考轨迹点的曲率大于或者等于临界曲率时，可以在n个历史定位信息中选取曲率较大的五个定位信息：xp-4,xp-3,xp-2,xp-1,xp，带入上述公式(2)、公式(3)以及公式(8)算出δθ′p、δθp和δθ′p-1、δθp-1，从而，通过以下公式(12)计算得到第一权重值n和第二权重值m的值。情况二：当需检测的参考轨迹点的曲率小于临界曲率时，可以在n个历史定位信息中选取曲率较小的五个定位点：x′p-4,x′p-3,x′p-2,x′p-1,x′p，同时对每一个时刻都进行预测、拟合，带入上述公式(2)、公式(3)以及公式(8)算出速度方向的变化量对应的各个预测值：δθ′p、δθp和δθ′p-1、δθp-1，从而，通过公式(12)计算得到第一权重值n和第二权重值m的值。在本申请实施例中，可以预先设置待检测的目标曲率与权重的映射关系，那么，上述步骤1023a可以包括：计算n个历史定位信息各自对应的曲率；计算参考路径信息序列对应的曲率集；基于车辆在采样时刻tp的历史定位信息xp，从曲率集中确定出目标曲率；根据曲率与权重之间的映射关系，确定目标曲率对应的第一权重值n和第二权重值m。举例来说，上述曲率与权重之间的映射关系可以以表格的形式存储在车辆的车载设备中。那么，如表1所示，当需检测的距离历史定位信息xp最近的参考路径信息x′p对应的曲率，即目标曲率的值为“曲率1”时，那么，第一权重值n的取值为“0.1”，第二权重值m的取值为“0.9”。目标曲率第一权重值n第二权重值m曲率10.10.9曲率20.150.85………曲率n-10.850.15曲率n0.90.1表1当然，除了上述所列出的两种获取权重值的实现方法以外，还可以通过其它方式来确定权重，如由路侧设备根据待跟踪的轨迹的情况，以预设间隔时间向车辆发送合适的权重，当需要获取车辆的定位信息，如车辆的定位信息丢失时，车辆就可以采用最近一次所接收到的权重值来预测估计定位信息。这里，本申请实施例不做具体限定。至此，便完成了在需要获取定位信息时，基于轨迹预测的轨迹跟踪方法实现预测定位的过程。由上述内容可知，本申请实施例提供的基于轨迹预测的轨迹跟踪方法，当需要获取车辆在采样时刻tp 1的定位信息时，获取n个历史定位信息和参考路径信息序列，其中，n个历史定位信息为车辆在采样时刻tp 1之前的n个采样时刻的定位信息，参考路径信息序列为待跟踪的预定轨迹上的轨迹点的坐标序列，n为大于1的正整数，p 1为大于n的正整数；基于n个历史定位信息和参考路径信息序列，预测车辆在采样时刻tp 1的定位信息。如此，将该方法应用到自动驾驶汽车等智能交通场景中时，就能够在需要获取车辆的定位信息时，如车辆的定位信息丢失时，精确预测出车辆的定位信息，从而，能够提高轨迹跟踪控制的精确度。而且，在实现成本上更为低廉，还便于进行推广和普及。此外，为了验证本申请实施例所提供的基于轨迹预测的轨迹跟踪方法的有效性，本申请发明人采用了设计了验证实验。参见图5c所示，在实际实验中，本申请发明人设置：基于历史定位信息和参考路径信息在弯道预测车辆真实定位，其中，自动驾驶车辆在横向距离130米到148米左右预测定位失效区域为曲率较小的道路，此时，设置较大的第一权重值n，主要以历史定位信息为主要因素来预测定位；而在横向距离148米到164米左右预测定位失效区域为曲率相对较大的轨迹，此时，设置较大的第二权重值m，主要以参考路径信息为主要因素来预测定位，可以得到如图5d所示的仿真结果。由图5d可见，定位信息在横向距离135米到180米左右失效，借助本申请实施例所提出的基于轨迹预测的轨迹跟踪方法进行定位信息补偿，可以较好地结合基于历史定位信息预测和基于参考路径信息来预测定位，并且定位误差与真实轨迹的定位误差最大为50厘米。可见，本申请所提供的基于轨迹预测的轨迹跟踪方法，使得自动驾驶汽车真实行驶轨迹与参考轨迹重合度很高，定位精度较高，能够较好地实现自动驾驶车辆在需要获取车辆的定位信息，如定位信息短时间缺失的条件下的预定路径跟踪。总的来说，本申请实施例所提供的基于轨迹预测的轨迹跟踪方法，具备如下有益效果：将获取车辆的定位信息的不确定性纳入考虑范围，采用基于轨迹预测的方法克服获取车辆的定位信息不确定性带来的影响，实现自动驾驶车辆对预定路径的精确跟踪控制功能。而且基于轨迹预测的路径跟踪方法是在车路协同环境下实现自动驾驶车辆的轨迹跟踪控制功能的，因此，基于路侧设备和v2i通信平台，可在无需安装额外车载传感器的情况下，辅助自动驾驶车辆完成在需要获取车辆的定位信息，如定位信息丢失期间的轨迹跟踪任务，大大降低了获取车辆的定位信息的成本，实现在低成本条件下使得自动驾驶车辆在不同道路环境中能够完成高精度跟踪轨迹功能。较已有的自动驾驶技术方案，可促进自动驾驶技术的推广和普及；同时，车路协同环境下的交通环境感知与基于车载传感器的交通信息感知方案相比，车路协同环境下的交通环境感知能获取更为全面、实时和高精度的道路信息，从而进一步地保证了车辆运行轨迹的准确规划。基于同一发明构思，本申请实施例提供一种车载设备。图6为本申请实施例中的车载设备的结构示意图，参见图6所示，该车载设备60包括：至少一个处理器601；以及与处理器601连接的至少一个存储器602、总线603；其中，处理器601、存储器602通过总线603完成相互间的通信；处理器601用于调用存储器602中的程序指令，以执行上述一个或多个实施例中的基于轨迹预测的轨迹跟踪方法的步骤。上述处理器可由中央处理器(centralprocessingunit，cpu)、微处理器(microprocessorunit，mpu)、数字信号处理器(digitalsignalprocessor，dsp)、或现场可编程门阵列(fieldprogrammablegatearray，fpga)等实现。存储器可能包括计算机可读介质中的非永久性存储器，随机存储器(randomaccessmemory，ram)和/或非易失性内存等形式，如只读存储器(readonlymemory，rom)或闪存(flashram)，存储器包括至少一个存储芯片。需要说明的是，在本申请实施例中，如果以软件功能模块的形式实现上述一个或多个实施例中的基于轨迹预测的轨迹跟踪方法，并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台车载设备(可以是个人计算机、服务器、或者网络设备等)执行本申请各个实施例方法的全部或部分。相应地，基于同一发明构思，本申请实施例再提供一种计算机可读存储介质，上述计算机可读存储介质包括存储的程序，其中，在程序运行时控制存储介质所在车载设备执行上述一个或多个实施例中的基于轨迹预测的轨迹跟踪方法的步骤。这里需要指出的是：以上车载设备或计算机可读存储介质实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本申请车载设备或计算机可读存储介质实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。本申请描述了多个实施例，但是该描述是示例性的，而不是限制性的，并且对于本领域的普通技术人员来说显而易见的是，在本申请所描述的实施例包含的范围内可以有更多的实施例和实现方案。尽管在附图中示出了许多可能的特征组合，并在具体实施方式中进行了讨论，但是所公开的特征的许多其它组合方式也是可能的。除非特意加以限制的情况以外，任何实施例的任何特征或元件可以与任何其它实施例中的任何其他特征或元件结合使用，或可以替代任何其它实施例中的任何其他特征或元件。本申请包括并设想了与本领域普通技术人员已知的特征和元件的组合。本申请已经公开的实施例、特征和元件也可以与任何常规特征或元件组合，以形成由权利要求限定的独特的发明方案。任何实施例的任何特征或元件也可以与来自其它发明方案的特征或元件组合，以形成另一个由权利要求限定的独特的发明方案。因此，应当理解，在本申请中示出和/或讨论的任何特征可以单独地或以任何适当的组合来实现。因此，除了根据所附权利要求及其等同替换所做的限制以外，实施例不受其它限制。此外，可以在所附权利要求的保护范围内进行各种修改和改变。此外，在描述具有代表性的实施例时，说明书可能已经将方法和/或过程呈现为特定的步骤序列。然而，在该方法或过程不依赖于本文所述步骤的特定顺序的程度上，该方法或过程不应限于所述的特定顺序的步骤。如本领域普通技术人员将理解的，其它的步骤顺序也是可能的。因此，说明书中阐述的步骤的特定顺序不应被解释为对权利要求的限制。此外，针对该方法和/或过程的权利要求不应限于按照所写顺序执行它们的步骤，本领域技术人员可以容易地理解，这些顺序可以变化，并且仍然保持在本申请实施例的精神和范围内。本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些组件或所有组件可以被实施为由处理器，如数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于ram、rom、eeprom、闪存或其他存储器技术、cd-rom、数字多功能盘(dvd)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。当前第1页1 2 3
技术特征：1.一种基于轨迹预测的轨迹跟踪方法，其特征在于，应用于车辆，所述方法包括：
当需要获取所述车辆在采样时刻tp 1的定位信息时，获取n个历史定位信息和参考路径信息序列，其中，所述n个历史定位信息为所述车辆在采样时刻tp 1之前的n个采样时刻的定位信息，所述参考路径信息序列为待跟踪的预定轨迹上的轨迹点的坐标序列，n为大于1的正整数，p 1为大于n的正整数；
基于所述n个历史定位信息和参考路径信息序列，预测所述车辆在采样时刻tp 1的定位信息。
2.根据权利要求1所述的方法，其特征在于，所述基于所述n个历史定位信息和参考路径信息序列，预测所述车辆在采样时刻tp 1的定位信息，包括：
基于所述n个历史定位信息，确定所述车辆在采样时刻tp的第一速度方向变化量δθp，其中，所述车辆在采样时刻tp的速度方向变化量是指所述车辆在采样时刻tp的速度方向相对于所述车辆在采样时刻tp-1的速度方向的角度变化量；
基于所述参考路径信息序列，确定所述车辆在采样时刻tp的第二速度方向变化量δθ′p；
基于所述第一速度方向变化量δθp和所述第二速度方向变化量δθ′p，预测所述车辆在采样时刻tp 1的定位信息。
3.根据权利要求2所述的方法，其特征在于，在所述基于所述第一速度方向变化量δθp和所述第二速度方向变化量δθ′p，预测所述车辆在采样时刻tp 1的定位信息之后，所述方法还包括：
当需要获取所述车辆在采样时刻tp 2的定位信息时，基于所述车辆在采样时刻tp 1的定位信息，对所述n个历史定位信息进行更新，得到更新后的n个历史定位信息，其中，所述更新后的n个历史定位信息中的第n个历史定位信息为所述车辆在采样时刻tp 1的定位信息，所述更新后的n个历史定位信息中的前n-1个历史定位信息为所述n个历史定位信息中的后n-1个历史定位信息；
基于所述更新后的n个历史定位信息和所述参考路径信息序列，预测所述车辆在采样时刻tp 2的定位信息。
4.根据权利要求2所述的方法，其特征在于，所述基于所述n个历史定位信息，确定所述车辆在采样时刻tp的第一速度方向变化量δθp，包括：
基于所述n个历史定位信息，通过曲线拟合方法构建用于预测车辆的速度方向变化量的预测模型；
使用所述预测模型，确定出所述第一速度方向变化量δθp。
5.根据权利要求4所述的方法，其特征在于，所述基于所述n个历史定位信息，通过曲线拟合方法构建用于预测车辆的速度方向变化量的预测模型，包括：
基于所述n个历史定位信息中两两相邻的历史定位信息，计算出n-1个车辆的速度矢量；
基于所述n-1个速度矢量中两两相邻的速度矢量，计算出n-2个车辆的速度方向变化量；
基于所述n-2个车辆的速度方向变化量及其对应的n-2个采样时刻，通过曲线拟合方法构建出所述预测模型。
6.根据权利要求5所述的方法，其特征在于，所述基于n-1个速度矢量中两两相邻的速度矢量，计算出n-2个车辆的速度方向变化量，包括：根据以下公式计算获得车辆的速度方向变化量：
其中，δθi表示所述车辆在采样时刻ti的速度方向变化量，所述车辆在采样时刻ti的速度方向变化量是指所述车辆在采样时刻ti的速度方向相对于所述车辆在采样时刻ti-1的速度方向的角度变化量，i＝1,2,...,n；arccos(·)表示反余弦；表示所述车辆在采样时刻ti的速度矢量；表示所述车辆在采样时刻ti-1的速度矢量，|·|表示速度矢量的大小；
所述预测模型包括：
其中，i表示采样时刻ti，i＝1,2,...,n，δθ表示车辆的速度方向变化量，a0,a1,a2,...,ak表示预测模型的参数，k为大于1的正整数；
所述基于所述n-2个车辆的速度方向变化量及其对应的n-2个采样时刻，通过曲线拟合方法构建出所述预测模型，包括：
将所述n-2个车辆的速度方向变化量及其对应的n-2个采样时刻代入以下公式计算获得所述预测模型的参数：
其中，∑表示求和。
7.根据权利要求2所述的方法，其特征在于，所述基于所述参考路径信息序列，确定所述车辆在采样时刻tp的第二速度方向变化量δθ′p，包括：
获取所述车辆在采样时刻tp的历史定位信息xp；
从所述参考路径信息序列中，获取距离所述历史定位信息xp最近的参考路径信息x′p及其对应的上一个采样时刻tp-1的参考路径信息x′p-1；
获取所述车辆在采样时刻tp的真实速度矢量
基于所述历史定位信息xp和所述真实速度矢量从所述参考路径信息序列中，确定出所述车辆在下一个采样时刻tp 1的理想定位信息x′p q；
基于所述参考路径信息x′p-1、所述参考路径信息x′p和所述理想定位信息x′p q，计算出所述第二速度方向变化量δθ′p。
8.根据权利要求7所述的方法，其特征在于，所述基于所述参考路径信息x′p-1、所述参考路径信息x′p和所述理想定位信息x′p q，计算出所述第二速度方向变化量δθ′p，包括：
基于所述参考路径信息x′p-1和所述参考路径信息x′p，计算出所述车辆在采样时刻tp的速度方向对应的角度值θ′p；
基于所述参考路径信息x′p和所述理想定位信息x′p q，计算出所述车辆在采样时刻tp 1的速度方向对应的理想角度值θ′p q；
基于所述理想角度值θ′p q与所述角度值θ′p，根据以下公式计算获得所述第二速度方向变化量δθ′p：δθ′p＝θ′p q-θ′p。
9.根据权利要求2所述的方法，其特征在于，所述基于所述第一速度方向变化量δθp和所述第二速度方向变化量δθ′p，预测所述车辆在采样时刻tp 1的定位信息，包括：
获取所述第一速度方向变化量δθp对应的第一权重值n和所述第二速度方向变化量δθ′p对应的第二权重值m，其中，n、m为小于1的小数；
基于所述第一速度方向变化量δθp及其对应的第一权重值n和所述第二速度方向变化量δθ′p及其对应的第二权重值m，通过以下公式计算获得所述车辆在采样时刻tp的最终速度方向变化量其中，
获取所述车辆在采样时刻tp的历史定位信息xp；
基于所述最终速度方向变化量和所述历史定位信息xp，确定所述车辆在采样时刻tp 1的定位信息。
10.根据权利要求9所述的方法，其特征在于，所述获取所述第一速度方向变化量δθp对应的第一权重值n和所述第二速度方向变化量δθ′p对应的第二权重值m，包括：
计算所述n个历史定位信息各自对应的曲率；
计算所述参考路径信息序列对应的曲率集；
基于所述车辆在采样时刻tp的历史定位信息xp，从所述曲率集中确定出目标曲率；
根据所述目标曲率，从所述n个历史定位信息中选择出m个目标历史定位信息，其中，m为大于或者等于5的正整数；
基于所述m个目标历史定位信息，计算出所述第一权重值n和所述第二权重值m。
11.一种计算机可读存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在车载设备执行如权利要求1至10任一项所述的基于轨迹预测的轨迹跟踪方法的步骤。
12.一种车载设备，其特征在于，所述车载设备包括：
至少一个处理器；
以及与所述处理器连接的至少一个存储器、总线；
其中，所述处理器、存储器通过所述总线完成相互间的通信；所述处理器用于调用所述存储器中的程序指令，以执行如权利要求1至10任一项所述的基于轨迹预测的轨迹跟踪方法的步骤。
技术总结本申请实施例提供一种基于轨迹预测的轨迹跟踪方法、介质和车载设备，所述方法包括：当需要获取所述车辆在采样时刻tp 1的定位信息时，获取N个历史定位信息和参考路径信息序列，其中，所述N个历史定位信息为所述车辆在采样时刻tp 1之前的N个采样时刻的定位信息，所述参考路径信息序列为待跟踪的预定轨迹上的轨迹点的坐标序列，N为大于1的正整数，p 1为大于N的正整数；基于所述N个历史定位信息和参考路径信息序列，预测所述车辆在采样时刻tp 1的定位信息。如此，能够在需要获取车辆的定位信息时，精确预测出车辆的定位信息，从而，能够提高轨迹跟踪控制的精确度。
技术研发人员：张毅;葛经纬;裴华鑫;胡坚明;张佐;许惠乐
受保护的技术使用者：清华大学
技术研发日：2020.01.17
技术公布日：2020.06.09
